京东方7月22号短信通知，现在还没面面试

一、基础概念类说说你对 Agent 的理解，和传统 LLM 有什么区别？常见的 Agent 架构有哪些？ReAct、Reflexion、Plan-and-Solve 你用过哪些？Tool Calling 原理是什么？怎么保证工具调用稳定？RAG 和 Agent 怎么结合？各自适用什么场景？二、技术实现类你做过的 Agent 项目流程是怎样的？从 0 到 1 怎么搭建？如何做 Prompt 工程优化 Agent 的思考与执行？多轮对话中怎么维护状态、记忆和上下文？遇到模型拒绝执行、幻觉、工具调用失败怎么解决？有没有做过多 Agent 协作？任务如何拆分、调度？向量数据库怎么选？chunk 大小、...

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...